Una rete neurale quantistica basata sul quantum annealing con trasformate wavelet discrete per migliorare le previsioni a brevissimo termine dell’inquinamento atmosferico

Abstract degli autori

L’inquinamento atmosferico rappresenta una grave minaccia per la salute pubblica, aggravata dalla rapida industrializzazione e urbanizzazione della società moderna. Sebbene il deep learning tradizionale offra capacità predittive, i recenti progressi nel machine learning quantistico (QML) presentano un’alternativa promettente. Qui presentiamo un framework ibrido scalabile che integra circuiti quantistici variazionali e quantum annealing. Sfruttando una piattaforma di computazione quantistica neuromorfica per superare i limiti al numero di qubit dell’era NISQ, modelliamo le dinamiche del particolato (PM$_{2.5}$) usando dati urbani ad alta densità provenienti dal Regno Unito. Dimostriamo che le nostre reti neurali quantistiche (QNN) sono intrinsecamente resilienti alla volatilità degli input e superano nettamente i modelli classici di riferimento (MLP e LSTM) sui dati ambientali grezzi ad alta entropia. Inoltre, abbiamo scalato con successo il modello fino a 172 qubit e osservato un miglioramento sinergico abbinandolo alla scomposizione wavelet, che consente di ottenere una fedeltà predittiva all’avanguardia. Questi risultati stabiliscono un benchmark fondamentale per l’utilità quantistica, dimostrando che il machine learning quantistico neuromorfico scalabile può ora affrontare problemi complessi, non lineari e del mondo reale.